2강 / 20강

바코드 한 줄 — 스물여덟 글자가 다 뜻이 있다

TCGA-05-4244-01A-01R-1206-07

TCGA 의 모든 표본에는 이런 이름이 붙어 있습니다.

TCGA-05-4244-01A-01R-1206-07

처음 보면 무작위 문자열 같지만, 한 칸도 장식이 아닙니다. 칸마다 뜻이 있고, 그 뜻을 모르면 표를 잘못 자르게 됩니다.

고등학생스물여덟 글자가 다 뜻이 있다

TCGA-05-4244-01A-01R-1206-07을 뜯어봅니다.

칸	예	뜻
1	TCGA	프로젝트
2	05	접수기관 (TSS) — 14강
3	4244	환자 번호
4	01A	표본 종류 + 차수 — 3강
5	01R	분석물 (R = RNA)
6	1206	플레이트
7	07	센터

칸	값	뜻
1	`TCGA`	사업 이름 — 늘 같다
2	`05`	접수기관(TSS) — 조직을 보낸 병원
3	`4244`	참가자 — 이 병원에서의 일련번호
4	`01A`	표본종류 01 + 바이알 A
5	`01R`	부분표본 01 + 분석물질 R(=RNA)
6	`1206`	플레이트 — 같은 판에서 처리된 묶음
7	`07`	시퀀싱 센터

앞의 세 칸 TCGA-05-4244 까지가 사람입니다. 그다음부터는 그 사람에게서 나온 물건이에요.

고등학생환자 ID는 앞 세 칸

TCGA-05-4244 — 여기까지가 한 사람입니다.

같은 환자의 서로 다른 바코드	차이
TCGA-05-4244-01A-...	종양
TCGA-05-4244-11A-...	정상

4강에서 환자 단위로 정리할 때 앞 12글자로 자릅니다.

쪼개는 데 필요한 것은 split("-") 하나뿐입니다.

Python 브라우저에서 실행

b = "TCGA-05-4244-01A-01R-1206-07"
f = b.split("-")

print("바코드:", b)
print()
print("  접수기관(TSS) :", f[1])
print("  참가자        :", f[2])
print("  표본종류      :", f[3][:2], "· 바이알", f[3][2:])
print("  부분표본      :", f[4][:2], "· 분석물질", f[4][2:])
print("  플레이트      :", f[5])
print("  센터          :", f[6])
print()
print("  사람 =", "-".join(f[:3]))

다섯째 칸의 분석물질 글자는 이 표본에서 무엇을 뽑았는지를 말합니다.

DNA — 변이·복제수를 읽는다

RNA — 발현량을 읽는다

전장증폭 DNA — 양이 모자라 늘린 것

같은 사람의 발현과 변이를 이어 붙이려면 넷째 칸까지만 맞추면 됩니다. 다섯째 칸부터는 서로 다른 것이 정상이에요 — 하나는 R, 하나는 D 니까요.

고등학생왜 이렇게 복잡한가

이유	내용
여러 기관이 참여	누가 보냈는지 기록
한 환자에서 여러 시료	구분 필요
여러 분석 방법	DNA · RNA · 단백질
추적 가능성	문제가 생기면 되짚기

바코드 하나에 전 과정의 이력이 담겨 있습니다.

이번에는 운 좋게 두 표가 같은 길이를 씁니다. 늘 그렇지는 않아요.

Python 브라우저에서 실행

import pandas as pd

c = pd.read_csv("tcga_clinical.tsv", sep="\t", dtype={"stage": str})
s = pd.read_csv("tcga_luad_sample.tsv", sep="\t", dtype={"tss": str})

print("임상표의 이름 :", c["sample"].iloc[0], "(길이", len(c["sample"].iloc[0]), ")")
print("분자표의 이름 :", s["sample"].iloc[0], "(길이", len(s["sample"].iloc[0]), ")")
print()
겹침 = len(set(c["sample"]) & set(s["sample"]))
print("그대로 이었을 때 만나는 표본:", 겹침, "/", len(s))

자르는 자리를 정하는 것 — 그것이 이 강의에서 여러분이 내리는 두 번째 결정입니다.

Python 브라우저에서 실행

import pandas as pd

s = pd.read_csv("tcga_luad_sample.tsv", sep="\t", dtype={"tss": str})

# 흔히 마주치는 긴 바코드 — 뒤를 잘라 15글자로 맞춘다
긴것 = "TCGA-05-4244-01A-01R-1206-07"
print("긴 바코드 :", 긴것)
print("15글자    :", 긴것[:15])
print("12글자    :", 긴것[:12])
print()
print("15글자가 분자표에 있나:", 긴것[:15] in set(s["sample"]))

고등학생바코드를 다룰 때의 실수

실수	결과
전체 바코드로 조인	같은 환자인데 안 붙음
대소문자 혼용	안 붙음
하이픈 위치	—
차수(A/B)를 무시	같은 표본의 재추출을 두 번 셈

어느 수준으로 자를지를 먼저 정하고 일관되게 써야 합니다.

🤔 확인 문제

TCGA-44-2668-11A-01R-0946-07 은 무엇입니까?

🤔 확인 문제

발현표와 변이표를 같은 표본끼리 잇고 싶습니다. 바코드를 몇 글자까지 쓰나요?